amos a27fb36b15 Fix task families to a canonical list of 19 root-cause mechanisms
Batch 15 followed the old 'new kebab-case name when nothing fits' rule and
added 120 family names for 212 tasks, so per-family difficulty and diversity
counts stopped meaning anything. Families are now one of 19 mechanisms
(the 17 already on main plus state-machine-timing and numeric-reliability);
a new family needs Claude's agreement.

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-27 01:57:19 +08:00

Embedded Rollout

在可重置的嵌入式软件任务中运行已有 Agent,由独立验收器检查最终候选,持续保存真实模型调用、工具反馈和执行证据。当前只做 rollout 采集;模型训练、权重更新、SFT 与在线 RL 不在本项目实施范围。

先完成一个 C frame-decoder 修复任务,再恢复 Bos-qiao 的成熟任务包,扩大到 20 条任务和少量任务族。完整方案见 rollout-plan.md,实际完成和未验证项以 progress.md 与 acceptance.md 为准。

题库

可用题目的权威清单是 docs/task-catalog.md,机器可读版本是 docs/task-catalog.json。两者都由 rollout.catalog 生成:每道题当前镜像下的 PASS 校准目录、同版本 Qwen/GLM 完整轨迹结果、难度分档,以及暂缓(task-holds.json)和判据待重写的原因。批量采集时用 python3 -m rollout.catalog jobs docs/task-catalog.json --status USABLE --difficulty HARD MEDIUM 筛出“任务 校准目录”列表交给 rollout.batch,具体命令见题库文档。

开发与验证

在项目根目录运行:

python3 -m rollout --help
python3 -m rollout doctor
python3 -m rollout calibrate tasks/frame-decoder --trusted-local --output runs
python3 -m unittest discover -s tests -v

doctor 显示 Python 版本、检查 Docker 命令和 daemon;缺 Docker 时返回 2。它不验证编译器、镜像或模型。可信本地校准实际编译和运行仓库样例,gold 通过、缺陷初态与 noop/cheat 失败,四类各重复五次;此模式不能执行不可信 Agent。

有可用 Docker 和固定镜像后进行正式环境校准。IMAGE 替换为含 Python 3、C 编译器及 Agent 的本地镜像引用;程序解析实际 image ID,不自动拉取。

python3 -m rollout calibrate tasks/frame-decoder --image IMAGE --output runs

接入已有 Agent:CALIBRATION_PATH 是同任务、verifier 和实际镜像身份的 Docker 校准 attempt 目录;每类样例各五次(默认 20 次)符合预期且整体 PASS 才准入。--agent 必须最后,以下占位 argv 替换为镜像内实际命令。

python3 -m rollout run tasks/frame-decoder --image IMAGE --agent-id AGENT_AND_MODEL_VERSION --calibration CALIBRATION_PATH --output runs --agent AGENT_COMMAND ARG1

run 从 stdin 提供题面,在工作容器运行 Agent;冻结任务声明的 candidate_files 后新建无网评分容器。每个 attempt 保存监督事件、回执、候选和阶段日志,脚本 Agent 不计为真实 LLM rollout。

Pi 与模型接入

Pi adapter 固定 Pi 0.73.1,默认 GLM-5.3 Chat Completions,也支持用户指定的 Qwen qwen3.8-27b-nvfp4 Responses 服务;Dockerfile 提供 Node、Python 与 C 工具链,不包含正式 grader 或参考解。镜像构建使用仓库根目录作为 context。

Pi 通过可信 host 代理调用模型,上游 key 留在 host 私有文件与代理内,不进入 Agent、镜像、argv 或轨迹。--model-base-url 传非敏感的私有代理地址,--agent-network 指向已创建的本次专用 internal Docker 网络(未指定时 Agent 无网络);调用方负责代理和网络的最终清理。具体边界见 agent.md。

正式 Pi 入口使用 pi_run,自动管理专用网络、私有代理、校准、Agent、独立 grade 与证据复核。在 36 的项目根目录运行,镜像须已拉取到本机 Docker;将 PRIVATE_CREDENTIAL_FILE 替换为私有、不纳入 Git 的 JSON 文件绝对路径,文件包含非空 model_api_key 字段、权限为 0600,不在命令中传密钥值:

python3 -m rollout.pi_run tasks/frame-decoder --image ccr-29eug8s3-pub.cnc.bj.baidubce.com/algo/bench-runtime@sha256:1519f8daa403998e5401eeb70b973e8aac8346e25a937033bc502dc5de1641a1 --credential-file PRIVATE_CREDENTIAL_FILE --output runs

可加 --calibration CALIBRATION_PATH 复用同任务/verifier/image 的完整 Docker 校准;省略时自动重新校准。--agent-timeout 默认 900 秒。输出 controller 路径、总体 status、独立 task_verdict 和清理结果,目录内含 broker.jsonl 与底层 attempt。总体 PASS 还要求原生证据 VERIFIED、Agent 正常结束及清理确认,不能只看任务判分。

Qwen 试跑加 --model qwen3.8-27b-nvfp4,使用包含本次 Responses adapter 的新镜像和独立私有凭据文件。旧 GLM 镜像不支持新增的模型参数。代理只连接用户指定的 http://114.111.18.115:18080/v1/responses,broker 须确认每轮唯一的 response.completed;缺失完整终态不算完整 rollout。首次接入不发可选 reasoning 参数,服务返回的思考内容仍保留在原生轨迹。

工作容器为 2 GiB、1 CPU,--agent-timeout 默认 900 秒;评分容器为 512 MiB、1 CPU,首题评分期限为 60 秒。用户当前不设费用或模型轮数上限,执行超时只用于防止挂死。Pi 原生事件写到与候选分离的 /trace/native.jsonl;有文件和摘要不等于会话完整,仍需核对调用闭合及反馈进入后续模型输入。

已接通的资源

2026-10-12:36 Linux 主机 Docker 29.5.2 可用;Salty 0.2.3 已安装并由本人授权;runtime 已构建并推送 CCR,tag 为 embedded-rollout-20261012-pi0731-trace2,正式运行按上方 manifest digest 固定。相同 digest 经 VPC registry 在 Salty CPU 探针中拉取并执行成功,Node v22.23.3、Pi 0.73.1。

新镜像 Docker 正负例共 20 次校准 PASS,镜像内 9 项 Pi SDK 检查全部 PASS、0 skip。本地全量回归运行 41 项,整体通过;其中真实 SDK 项因本地缺 node_modules 跳过,镜像内已实测。36 上的真实 GLM/Pi rollout 已通过:8 轮模型请求、10 个工具反馈均进入后续输入,独立 87 项行为检查 PASS,原生证据 VERIFIED,清理 confirmed。合格轨迹已封存到 Salty 唯一个人目录并下载核对摘要,临时探针和下载已删除;首次异常轨迹不计为合格样本。原件与验收边界见 acceptance.md、现场回执 和 运行审阅。

已通过的是 36 Docker 真实闭环与 Salty 归档,Salty 正式 Agent 后端和 20 题扩量尚未完成。Salty 不假定支持嵌套 Docker、Secret 或无网评分,后端正式采集需独立验证。只运行本项目试跑,不动已有作业;旧 CCR 试验版本的清理例外见 资源接入记录。Git remote 为用户 2026-10-13 指定的 origin(https://gitea.d-robotics.cc/ming01.wang/data-gen-ebd.git),只推送 main,不改写已推送历史。

封存完整轨迹

controller 结束后,复核证据并生成唯一归档文件。CONTROLLER 替换为本次输出目录;artifacts/ 为 Git 忽略的数据目录。

mkdir -p artifacts
python3 -m rollout.archive CONTROLLER --task tasks/frame-decoder --output artifacts/rollout-20261012.tar.gz
salty storage cp artifacts/rollout-20261012.tar.gz personal:/embedded-rollout/

入口允许 Agent 正常结束、原生证据 VERIFIED 且清理确认的 PASS/FAIL;归档只包含显式证据与公开题面,不包含 grader、参考解、凭据或工作区。输出文件不能覆盖。上传后需下载到临时文件并核对 SHA-256,再删除临时文件,详见 归档合同。

五字段题目导出与难度

参考 UltraData-RL-2609,任务统一导出 uuid/query/ground_truth/source/domain 五字段 JSONL。原生模型与工具轨迹保留在证据归档中;今后每份归档自动带 dataset.jsonl。独立导出:

python3 -m rollout.export tasks/frame-decoder --output artifacts/frame-decoder.jsonl

首题采用真实 argv 分片与退出码扩展,评分需本项目验收器;完整合同见 data-format.md。它归类 SMOKE_ONLY,只用于链路回归。主采集池先测明确目标模型的多次成功率与失败根因,再决定扩量,不把一次成功或 87 项断言直接当作数据难度。

2026-10-12,Qwen qwen3.8-27b-nvfp4 真实试跑通过:7 次模型调用、6 个工具反馈、7 条思考消息,独立 87 项检查 PASS;证据 VERIFIED、清理 confirmed。首轮校准有一次容器超时,随后完整 20 次重新校准通过才启动模型。详见 试跑回执。

导入 Bos-qiao 任务与批量采集

bos_import 把一个 Bos-qiao envs/S500_* 环境转成本项目任务包:template 原样进入工作区,final_targets 成为 candidate_files,gold.sh/valid_*.sh/cheat_*.sh 只做字面量解析(遇到其他命令即拒绝,不执行),根目录 *.py 判据作为私有 grader_files,统一的 verify.py 以 root 原样运行原 check.py,check 启动的候选子进程降为 UID 65534;隐藏测试与候选同进程的判据带 isolation-blocked.txt,评分恒为 UNVERIFIED(见 architecture)。工作区所有 *.py 都参与评分的旧判据(rglob 型)暂不导入,因为本合同只冻结声明文件。

python3 -m rollout.bos_import BOS_ENV_DIR --output tasks/ENV_ID --family FAMILY
python3 -m rollout calibrate tasks/ENV_ID --image IMAGE --output runs/pilot-calibration

批量采集用 rollout.batch。JOBS 每行为“任务名 校准目录”(可由 rollout.catalog jobs 生成;校准目录为 - 时自动校准),按轮次重复即为每题多次采样;输出放在本批唯一目录:

python3 -m rollout.batch JOBS --image IMAGE --credential-file PRIVATE_CREDENTIAL_FILE --output runs/BATCH --parallel 2

断流、模型 HTTP 错误等基础设施失败自动补采(每行最多 2 次);中断(断电、SIGTERM、进程被杀)后重跑同一命令即续跑,旧记录原样保留。连续 3 次环境失败或磁盘不足时暂停,以退出码 3 打印原因,修好后重跑同一命令。长批次用 setsid nohup … & 放后台,进度逐行写到 stdout,结束时在批次目录写 report-<时间>.json;也可随时单独出报告:

python3 -m rollout.report runs/BATCH --tasks tasks --output runs/BATCH-report.json

报告只把“PASS/FAIL、原生证据 VERIFIED、Agent 正常退出且清理确认”的尝试计为完整轨迹,其余按 status/证据分类列为排除,并在 exclusions 中按固定原因计数(轨迹上限、断流、输出上限、模型 HTTP、超时、中断、清理等,定义见 architecture);token 为原生 usage 字段求和,费用字段不可用时记 unknown。

阅读顺序

2026-10-12 至 13 完成 M1 二十题试点:20 道 Bos-qiao 任务、3 个任务族,40 条完整真实轨迹(33 PASS、7 FAIL),独立重判 40/40 一致,整批归档已在 Salty 核对;见 验收记录。M2/M3 的持续采集与扩量尚未完成。

单任务通过不代表 20 条任务或整个项目完成。任务成功、会话完整、来源可信与清理分别验收;失败的真实尝试也可形成有效 rollout。回执中的 NOT_TRAIN_READY 是沿用字段,不表示本项目已启动训练流程。

Description
No description provided
Readme 52 MiB
Languages
C 53.3%
C++ 24.1%
Python 22.4%
Makefile 0.2%